論文の概要: Feature Recommendation for Structural Equation Model Discovery in Process Mining

• arxiv url: http://arxiv.org/abs/2108.07795v1
• Date: Fri, 13 Aug 2021 12:23:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 03:08:48.755150
• Title: Feature Recommendation for Structural Equation Model Discovery in Process Mining
• Title（参考訳）: プロセスマイニングにおける構造方程式モデル発見のための特徴推奨
• Authors: Mahnaz Sadat Qafari and Wil van der Aalst
• Abstract要約: 本稿では,問題に影響を及ぼす可能性のある(集約された)特徴の集合を見つける方法を提案する。 提案手法をProMのプラグインとして実装し、2つの実・合成イベントログを用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process mining techniques can help organizations to improve their operational processes. Organizations can benefit from process mining techniques in finding and amending the root causes of performance or compliance problems. Considering the volume of the data and the number of features captured by the information system of today's companies, the task of discovering the set of features that should be considered in root cause analysis can be quite involving. In this paper, we propose a method for finding the set of (aggregated) features with a possible effect on the problem. The root cause analysis task is usually done by applying a machine learning technique to the data gathered from the information system supporting the processes. To prevent mixing up correlation and causation, which may happen because of interpreting the findings of machine learning techniques as causal, we propose a method for discovering the structural equation model of the process that can be used for root cause analysis. We have implemented the proposed method as a plugin in ProM and we have evaluated it using two real and synthetic event logs. These experiments show the validity and effectiveness of the proposed methods.
• Abstract（参考訳）: プロセスマイニング技術は、組織が運用プロセスを改善するのに役立つ。 組織は、プロセスマイニング技術によって、パフォーマンスやコンプライアンスの問題の根本原因を見つけ、修正することができる。 今日の企業の情報システムによって収集されるデータの量や特徴の数を考えると、根本原因分析で考慮すべき特徴の集合を発見する作業は極めて関与する。 本稿では,問題に影響を及ぼす可能性のある(集約された)特徴の集合を見つける方法を提案する。 根本原因分析タスクは通常、プロセスをサポートする情報システムから収集されたデータに機械学習技術を適用することで行われる。 そこで本研究では,機械学習手法の結果を因果として解釈しうる相関関係と因果関係の混合を防止するため,根源解析に使用可能なプロセスの構造方程式モデルを発見する手法を提案する。 提案手法をプラグインとしてpromに実装し,実および合成の2つのイベントログを用いて評価した。 これらの実験は,提案手法の有効性と有効性を示す。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Extracting Process-Aware Decision Models from Object-Centric Process Data [54.04724730771216]
  本稿では,ODDA(Integrated Object-centric Decision Discovery Algorithm)と呼ばれる,オブジェクト中心決定マイニングアルゴリズムを提案する。 IODDAは意思決定の仕組みや意思決定の仕方を知ることができる。
  論文  参考訳（メタデータ） (2024-01-26T13:27:35Z)
• The WHY in Business Processes: Discovery of Causal Execution Dependencies [2.0811729303868005]
  プロセスアクティビティの実行間の因果関係を明らかにすることは、プロセス介入の結果を予測する重要な要素である。 この研究は、既存の因果発見アルゴリズムを活動タイミングよりも活用することにより、因果ビジネスプロセスの公開に対する体系的なアプローチを提供する。 本手法は,3つの因果パターンの文脈における2つのモデル間の相違を探索し,これらの不整合がマイニングプロセスモデル上で注釈付けされるという新たな視点を導出する。
  論文  参考訳（メタデータ） (2023-10-23T14:23:15Z)
• Tailoring Machine Learning for Process Mining [5.237999056930947]
  我々は、プロセスマイニングと機械学習の健全な統合を構築する上で、機械学習モデルをプロセスデータでトレーニングすることで生じる問題に対する深い洞察が不可欠であると主張している。 本研究の目的は,機械学習とプロセスマイニングの要件を正しく整合させることを目的とした方法論の基礎を構築することである。
  論文  参考訳（メタデータ） (2023-06-17T12:59:51Z)
• A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
  算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。 これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
  論文  参考訳（メタデータ） (2023-05-24T11:43:47Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• Process Mining Meets Causal Machine Learning: Discovering Causal Rules from Event Logs [0.8924669503280334]
  我々はアクションルールマイニング手法を用いて、ある条件下での結果と共起する治療を識別する。 次に、因果的機械学習技術、特に隆起木を用いて、治療が結果に因果的影響を及ぼす症例のサブグループを発見する。
  論文  参考訳（メタデータ） (2020-09-03T10:10:30Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• A Technique for Determining Relevance Scores of Process Activities using Graph-based Neural Networks [0.0]
  本研究では,プロセス活動の関連点を評価指標として評価する手法を開発した。 このような関連性スコアでプロセスモデルに注釈を付けることは、ビジネスプロセスの問題に焦点を当てた分析を促進する。 異なる領域の4つのデータセットを用いて,本手法の予測品質を定量的に評価し,妥当性スコアの忠実性を示す。
  論文  参考訳（メタデータ） (2020-08-07T12:15:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。